Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks

要約

金属積層造形（AM）プロセスの温度場を正確に予測することは、オーバーヒートを防ぎ、プロセスパラメータを調整し、プロセスの安定性を確保する上で非常に重要です。物理ベースの計算モデルは精度が高いものの、時間がかかることが多く、反復設計シナリオにおけるリアルタイム予測やオンライン制御には不向きです。逆に、機械学習モデルは高品質のデータセットに大きく依存しており、金属AMの領域ではコストが高く、入手が困難な場合があります。我々の研究は、金属AMの温度場予測用に特別に設計された物理情報ニューラルネットワークフレームワークを導入することにより、この問題に対処している。このフレームワークには、物理情報付き入力、物理情報付き損失関数、および畳み込み長短期記憶（ConvLSTM）アーキテクチャが組み込まれています。プロセスからのリアルタイムの温度データを利用することで、我々のモデルは、多様な形状、成膜パターン、プロセスパラメータにわたって、将来のタイムスタンプの2次元温度場を予測する。提案するフレームワークを2つのシナリオで検証した。すなわち、薄い壁のフルフィールド温度予測と、円柱と立方体の部品の2D温度フィールド予測であり、それぞれ3%と1%以下の誤差を実証した。提案するフレームワークは、プロセスパラメータ、形状、成膜パターンが異なる様々なシナリオに適用できる柔軟性を示す。

要約(オリジナル)

Accurately predicting the temperature field in metal additive manufacturing (AM) processes is critical to preventing overheating, adjusting process parameters, and ensuring process stability. While physics-based computational models offer precision, they are often time-consuming and unsuitable for real-time predictions and online control in iterative design scenarios. Conversely, machine learning models rely heavily on high-quality datasets, which can be costly and challenging to obtain within the metal AM domain. Our work addresses this by introducing a physics-informed neural network framework specifically designed for temperature field prediction in metal AM. This framework incorporates a physics-informed input, physics-informed loss function, and a Convolutional Long Short-Term Memory (ConvLSTM) architecture. Utilizing real-time temperature data from the process, our model predicts 2D temperature fields for future timestamps across diverse geometries, deposition patterns, and process parameters. We validate the proposed framework in two scenarios: full-field temperature prediction for a thin wall and 2D temperature field prediction for cylinder and cubic parts, demonstrating errors below 3% and 1%, respectively. Our proposed framework exhibits the flexibility to be applied across diverse scenarios with varying process parameters, geometries, and deposition patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL